Characteristics of Lower Extremity Work During the Impact Phase of Jumping and Weightlifting
Notice bibliographique
Résumé
Jumping and weightlifting tasks involve impact phases, where work is performed by the lower extremity to absorb energies present at contact. This study compared the lower extremity kinematic and kinetic strategies to absorb energy during the impact phase of jumping and weightlifting activities. Ten women experienced in jumping and weightlifting performed 4 tasks (landing from a jump, drop landing, clean, and power clean) in a motion analysis laboratory. Work performed at the hip, knee, and ankle were calculated during the landing and receiving phases of jumping and weightlifting tasks, respectively. Additionally, segment and joint kinematics and net joint moments were determined. The most lower extremity work was performed in the clean and drop landing, followed by landing from a jump, and the least work was performed in the power clean (p < 0.05). For all tasks, work performed by the knee extensors was the greatest contributor to lower extremity work. Knee extensor net joint moment was greater in the power clean than jump and drop landings, and greater in the clean than all other tasks (p < 0.05). Knee flexion angle was not different between the power clean and jump landing (p > 0.05) but greater in the drop landing and clean (p < 0.05). A common characteristic of the impact phase of jumping and weightlifting tasks is a large contribution of knee extensor work. Further, the correspondence in kinematics between impact phases of jumping and weightlifting tasks suggests that similar muscular strategies are used to perform both types of activities. Weightlifting tasks, particularly the clean, may be important exercises to develop the muscular strength required for impact actions due to their large knee extensor net joint moments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».